吳甘沙：無人駕駛的商業化破局與馭勢科技的從1到10

如果無人駕駛要商業化，第一個突破領域是什么？

馭勢科技給出的答案是一款封閉受限場景下的低速無人駕駛汽車。

目前，馭勢科技已在廣州白云機場和杭州抽獎城啟動無人駕駛（地下車庫汽車擺渡）商業試運營。未來將與華夏幸福合作，在新城片區半開放環境下推進運營項目。據馭勢科技首席執行官吳甘莎介紹，馭勢將在今年年底前實現量產，預計到2020年將運營10萬輛汽車。

3月31日至4月1日期間，您可以在白云機場較遠的位置下飛機，前往P4航站樓，或者從杭州來福士地下停車場的電梯里出來，開著停在很遠的自己的車，就可以乘坐宇時科技的自動駕駛汽車。

那么，在封閉的場景中，余石為什么選擇從低速無人車出發呢？馭勢如何看待一般場景下的無人駕駛（高速，80公里/小時以上），恰逢柯潔與AlphaGo烏鎮之戰。無人駕駛如何利用深度學習和人工智能？余石在商業化過程中遇到了哪些挑戰，采取了哪些措施來解決這些挑戰？近日，筆者采訪了馭勢科技首席執行官吳甘莎。

一般場景中的無人駕駛仍然有點未完成。

當加州已經開放無人駕駛汽車的路試申請，包括特斯拉和百度在內的20家公司已經將自己的汽車投入道路時，中國沒有這樣的適用法律。去年，長安和博世合作制造的一輛無人駕駛汽車計劃從重慶一路向北行駛1000公里參加北京車展，但由于沒有相應的法律法規，中途被叫停。

到目前為止，無人駕駛測試還沒有正式的規定。百度不得不測試與奇瑞合作后轉型的無人版EQ，只能在晚上低調地在中關村跑步。

在吳甘莎看來，中國至少需要一年時間才能出臺適用于無人車的公共道路測試規范。制定自動駕駛（輔助）的基本法律需要1-2年時間，而無人駕駛道路的基本法律可能更長，需要3-5年時間。

除了法律法規外，基礎設施建設、技術成熟度、無人車成本（包括最重要的激光雷達成本、車輛價格等）甚至社會接受度都是影響無人車發展的因素。

然而，在這些眾多數據中，吳甘莎領導的馭勢科技拆解了一個新的場景：將激光雷達、V2X和高精度定位的成本降低到合理水平可能需要三年多的時間，但將低速無人駕駛電動汽車的價格降低到10萬至20萬左右可能需要三年間的時間。

“問問我周圍開特斯拉的朋友，他們并不是特別害怕使用那種自動輔助駕駛系統（目前是L2級別）。”吳甘莎說，社會至少需要三年的時間才能在高速公路（開放道路）上接受2-3次自動駕駛，相應地，一到兩年內就可以接受有限場景下的低速無人駕駛。

馭勢科技無人著陸嘗試

馭勢科技此前曾對低速無人車的應用場景進行過一些研究，發現即使是低速場景也不易操作。

不用說，為政府下訂單不是市場需求，而且使用頻率普遍較低。同時，維護成本可能會更高，后期沒有太大的商業價值。起初，馭勢科技將目光投向了景區無人車，但經過幾次討論，馭勢最終得出結論，看起來漂亮的景區并不是低速無人車的第一波需求。

對于景區來說，在旺季將需要大量的車輛（無人車）來運送游客。在這種情況下，如何保證乘客安全，在短時間內快速疏導游客，成為景區的首要訴求，這就需要大規模部署無人車。馭勢的這輛車以前只在房山展出和訓練過。顯然，直接進入景區載客的時機還不成熟。

三月初，魚市……

echnology開始與廣州白云機場商談機場輪渡事宜。這也是這款車首次經歷長途運輸、測試和在其他地方部署。只用了不到一個月的時間。3月底，馭勢無人車在白云機場進行了為期三天的無人試運行。“這也是魚市第一次真正的現場作業。”吳甘莎說。

畢竟，這輛車之前是為景區設計的，在到達白云機場之前沒有進行任何實地改裝。三月底，正好趕上南方的雨季。魚市的這輛無人車沒有車門，車里的人會被雨水淋濕。雨獅還設計了防雨、防潮、合理化管理、安全、保險等。

宇時科技首席架構師彭占錦表示，此次試運行是一場肌肉秀。目前，雙方已經拓展了一個新的場景，即碼頭通道之間的渡輪。這個場景比前者好，因為這條通道只在汽車渡輪上行駛，沒有行人，場景也更簡單。彭進算了一筆賬，輪渡應用頻率相對較高，日吞吐量近萬人次，年吞吐量超過300萬人次。屆時，它將真正運行，投入10輛汽車，并建立一支三班制的司機團隊，這將產生可觀的效益。

對余石來說，這是一個高端、高頻、高收益的場景，也是一個低風險的場景。通過機場的B端，我們獲得了機場人群的高端客戶群。

凱德集團是一位了解情況并主動上門的客戶。需求是為杭州萊佛士購物中心建造一艘地下車庫渡輪。

目前，主流的定位方法是GPS定位，但當建筑物被封鎖時，GPS信號會迅速衰減。在地下停車場，GPS太弱了，所以必須找到一種新的定位方法。這里將使用Slam（模擬定位和映射），這意味著定位和映射可以同時完成。

據吳甘莎介紹，目前控制這種情況的方法有兩種：視覺SLAM和激光雷達SLAM。在具體的實施路徑上，余石將首先獲得地下停車場的CAD地圖，并將視覺和激光雷達點云與CAD進行匹配。在此基礎上，對傳感器進行多傳感器融合定位。此外，余石還在地下車庫設置了許多二維碼，作為無人駕駛汽車的參考標記，類似于路線系統中的航路點，即路線參考點。

除此之外，地下車庫還有一些獨特的問題需要解決。例如，地下停車場的照明更為復雜，攝像頭方案中常見的失明等問題都是由于光線的突然變化。在這方面，控制局勢的解決方案是使用激光雷達輔助攝像機，并通過傳感器融合實現多傳感器冗余。

此外，這一場景還涉及到人員和車輛的混合交通。彭進步表示，余石為此進行了多次連續的避障訓練。同時，由于增加了行人軌跡預測和行為預測，車輛在實際行駛中會更順暢，不會感到沮喪。余石還模擬避開地下室的短障礙物，以應對出現在地下室的兒童和動物等道路參與者。

空間狹小也是地下車庫必須解決的問題，主要體現在地下車庫轉彎半徑小。人類司機進出停車場時要處理的螺旋形道路是對無人駕駛汽車的典型挑戰。此外，馭勢科技還優化了整體規劃和控制問題，例如減速帶的情況。總體而言，馭勢科技與來福士合作，在一天內將無人汽車擺渡項目部署到了線上。

馭勢科技在深度學習中的理念

吳甘莎坦言，從Demo到實際場景操作的復雜性和移動性都達到了更高的水平。這就像從葉問對詠春木樁的練習到對少林十八銅人的戰斗，從靜態到動態。在這種情況下，如何判斷情況，評估他人（人或動態對象）的動機，預測他們的行為，并合理地獲得通行權是非常重要的。

例如，在駕駛時，一輛舊d……

ver將根據前方的速度決定是超車還是并線。目前，馭勢科技采用強化學習的方法來模仿老司機。在每小時100公里的速度下，它可以在前一輛車行駛過慢時開燈并線，超車后并線回到原來的車道。

然而，使用大數據驅動深度學習也是致命的：也就是說，機器很可能存在訓練濃度中和偏差——一個人拿著啞鈴的照片被用作數據輸入，作為持續訓練的結果，機器會將這個拿著啞鈴手臂視為啞鈴的組成部分。

此外，深度學習最著名的命門，也是學術界和研發人員尚未解決的問題，是人們不了解系統是如何工作的，其原理是一個黑匣子，無法解釋。為什么這個選擇是好的，為什么它是壞的，甚至在某種程度上是隨機的。

例如，Christian Szegedy等人在ICLR ICLR2014發表的論文中提出了對抗性例子的概念，即通過故意在數據集中添加輕微干擾而形成的輸入樣本，受干擾的輸入會導致模型的高置信度錯誤輸出。在他們的論文中，他們發現包括卷積神經網絡在內的深度學習模型極易受到對抗樣本的影響。

我們的人眼很容易識別的圖像和物體相對于樣本是假的，但機器無法通過深度學習完全識別它們。

吳甘莎認為，開放動態環境下的無人駕駛需要更強的人工智能。要建立這樣的人工智能，需要將深度學習和強化學習相結合。強化學習追求可解釋的邏輯推理（理性思維），強調常識、經驗和積累的背景知識，并輔以遷移學習和貝葉斯因果推理。

目前，谷歌Waymo是開放道路上最好的司機，每行駛5000英里（超過8000公里）就需要人工干預，特斯拉每行駛3英里就需要人工介入，自動駕駛新手優步每行駛一英里就需要人為干預。但即使是最好的Waymo也不到人類司機的十分之一，人類司機每行駛9000萬英里就會發生一次小事故。

一個快速的解決方案是使用模擬，即基于大數據的快速建模，模擬天氣、照明、雨天等，并使用模擬、模擬+強化學習和生成對抗網絡（用于中和上述對抗樣本，對其進行去噪，并貼上真假標簽）進行無人駕駛的深度學習。

最近幾天，柯潔在烏鎮輸給了AlphaGo，人工智能將不可避免地成為無人駕駛領域的重要探索方向。馭勢目前正在與國內外研究機構合作開發駕駛人工智能，國際知名一級供應商博世也建立了自己的人工智能孵化器。

無人駕駛AlphaGo與人類駕駛員不相上下的那一天可能很快就會到來。如果無人駕駛要商業化，第一個突破領域是什么？

馭勢科技給出的答案是一款封閉受限場景下的低速無人駕駛汽車。

目前，馭勢科技已在廣州白云機場和杭州抽獎城啟動無人駕駛（地下車庫汽車擺渡）商業試運營。未來將與華夏幸福合作，在新城片區半開放環境下推進運營項目。據馭勢科技首席執行官吳甘莎介紹，馭勢將在今年年底前實現量產，預計到2020年將運營10萬輛汽車。

3月31日至4月1日期間，您可以在白云機場較遠的位置下飛機，前往P4航站樓，或者從杭州來福士地下停車場的電梯里出來，開著停在很遠的自己的車，就可以乘坐宇時科技的自動駕駛汽車。

那么，在封閉的場景中，余石為什么選擇從低速無人車出發呢？馭勢如何看待一般場景下的無人駕駛（高速，80公里/小時以上），恰逢柯潔與AlphaGo烏鎮之戰。無人駕駛如何利用深度學習和人工智能？余石在商業化過程中遇到了哪些挑戰，采取了哪些措施來解決這些挑戰？近日，筆者采訪了馭勢科技首席執行官吳甘莎。

一般場景中的無人駕駛仍然有點未完成。

W……

加利福尼亞州已經開放了無人駕駛汽車的道路測試申請，包括特斯拉和百度在內的20家公司已經將自己的汽車投入道路，但中國沒有這樣的適用法律。去年，長安和博世合作制造的一輛無人駕駛汽車計劃從重慶一路向北行駛1000公里參加北京車展，但由于沒有相應的法律法規，中途被叫停。

到目前為止，無人駕駛測試還沒有正式的規定。百度不得不測試與奇瑞合作后轉型的無人版EQ，只能在晚上低調地在中關村跑步。

在吳甘莎看來，中國至少需要一年時間才能出臺適用于無人車的公共道路測試規范。制定自動駕駛（輔助）的基本法律需要1-2年時間，而無人駕駛道路的基本法律可能更長，需要3-5年時間。

除了法律法規外，基礎設施建設、技術成熟度、無人車成本（包括最重要的激光雷達成本、車輛價格等）甚至社會接受度都是影響無人車發展的因素。

然而，在這些眾多數據中，吳甘莎領導的馭勢科技拆解了一個新的場景：將激光雷達、V2X和高精度定位的成本降低到合理水平可能需要三年多的時間，但將低速無人駕駛電動汽車的價格降低到10萬至20萬左右可能需要三年間的時間。

“問問我周圍開特斯拉的朋友，他們并不是特別害怕使用那種自動輔助駕駛系統（目前是L2級別）。”吳甘莎說，社會至少需要三年的時間才能在高速公路（開放道路）上接受2-3次自動駕駛，相應地，一到兩年內就可以接受有限場景下的低速無人駕駛。

馭勢科技無人著陸嘗試

馭勢科技此前曾對低速無人車的應用場景進行過一些研究，發現即使是低速場景也不易操作。

不用說，為政府下訂單不是市場需求，而且使用頻率普遍較低。同時，維護成本可能會更高，后期沒有太大的商業價值。起初，馭勢科技將目光投向了景區無人車，但經過幾次討論，馭勢最終得出結論，看起來漂亮的景區并不是低速無人車的第一波需求。

對于景區來說，在旺季將需要大量的車輛（無人車）來運送游客。在這種情況下，如何保證乘客安全，在短時間內快速疏導游客，成為景區的首要訴求，這就需要大規模部署無人車。馭勢的這輛車以前只在房山展出和訓練過。顯然，直接進入景區載客的時機還不成熟。

三月初，馭勢科技開始與廣州白云機場商談機場輪渡事宜。這也是這款車首次經歷長途運輸、測試和在其他地方部署。只用了不到一個月的時間。3月底，馭勢無人車在白云機場進行了為期三天的無人試運行。“這也是魚市第一次真正的現場作業。”吳甘莎說。

畢竟，這輛車之前是為景區設計的，在到達白云機場之前沒有進行任何實地改裝。三月底，正好趕上南方的雨季。魚市的這輛無人車沒有車門，車里的人會被雨水淋濕。雨獅還設計了防雨、防潮、合理化管理、安全、保險等。

宇時科技首席架構師彭占錦表示，此次試運行是一場肌肉秀。目前，雙方已經拓展了一個新的場景，即碼頭通道之間的渡輪。這個場景比前者好，因為這條通道只在汽車渡輪上行駛，沒有行人，場景也更簡單。彭進算了一筆賬，輪渡應用頻率相對較高，日吞吐量近萬人次，年吞吐量超過300萬人次。屆時，它將真正運行，投入10輛汽車，并建立一支三班制的司機團隊，這將產生可觀的效益。

對于余石來說，這是一個高端、高……

合理和高收益，但也是低風險的場景。通過機場的B端，我們獲得了機場人群的高端客戶群。

凱德集團是一位了解情況并主動上門的客戶。需求是為杭州萊佛士購物中心建造一艘地下車庫渡輪。

目前，主流的定位方法是GPS定位，但當建筑物被封鎖時，GPS信號會迅速衰減。在地下停車場，GPS太弱了，所以必須找到一種新的定位方法。這里將使用Slam（模擬定位和映射），這意味著定位和映射可以同時完成。

據吳甘莎介紹，目前控制這種情況的方法有兩種：視覺SLAM和激光雷達SLAM。在具體的實施路徑上，余石將首先獲得地下停車場的CAD地圖，并將視覺和激光雷達點云與CAD進行匹配。在此基礎上，對傳感器進行多傳感器融合定位。此外，余石還在地下車庫設置了許多二維碼，作為無人駕駛汽車的參考標記，類似于路線系統中的航路點，即路線參考點。

除此之外，地下車庫還有一些獨特的問題需要解決。例如，地下停車場的照明更為復雜，攝像頭方案中常見的失明等問題都是由于光線的突然變化。在這方面，控制局勢的解決方案是使用激光雷達輔助攝像機，并通過傳感器融合實現多傳感器冗余。

此外，這一場景還涉及到人員和車輛的混合交通。彭進步表示，余石為此進行了多次連續的避障訓練。同時，由于增加了行人軌跡預測和行為預測，車輛在實際行駛中會更順暢，不會感到沮喪。余石還模擬避開地下室的短障礙物，以應對出現在地下室的兒童和動物等道路參與者。

空間狹小也是地下車庫必須解決的問題，主要體現在地下車庫轉彎半徑小。人類司機進出停車場時要處理的螺旋形道路是對無人駕駛汽車的典型挑戰。此外，馭勢科技還優化了整體規劃和控制問題，例如減速帶的情況。總體而言，馭勢科技與來福士合作，在一天內將無人汽車擺渡項目部署到了線上。

馭勢科技在深度學習中的理念

吳甘莎坦言，從Demo到實際場景操作的復雜性和移動性都達到了更高的水平。這就像從葉問對詠春木樁的練習到對少林十八銅人的戰斗，從靜態到動態。在這種情況下，如何判斷情況，評估他人（人或動態對象）的動機，預測他們的行為，并合理地獲得通行權是非常重要的。

例如，在駕駛時，老司機會根據前方的速度決定是超車還是并線。目前，馭勢科技采用強化學習的方法來模仿老司機。在每小時100公里的速度下，它可以在前一輛車行駛過慢時開燈并線，超車后并線回到原來的車道。

然而，使用大數據驅動深度學習也是致命的：也就是說，機器很可能存在訓練濃度中和偏差——一個人拿著啞鈴的照片被用作數據輸入，作為持續訓練的結果，機器會將這個拿著啞鈴手臂視為啞鈴的組成部分。

此外，深度學習最著名的命門，也是學術界和研發人員尚未解決的問題，是人們不了解系統是如何工作的，其原理是一個黑匣子，無法解釋。為什么這個選擇是好的，為什么它是壞的，甚至在某種程度上是隨機的。

例如，Christian Szegedy等人在ICLR ICLR2014發表的論文中提出了對抗性例子的概念，即通過故意在數據集中添加輕微干擾而形成的輸入樣本，受干擾的輸入會導致模型的高置信度錯誤輸出。在他們的論文中，他們發現包括卷積神經網絡在內的深度學習模型極易受到對抗樣本的影響。

我們人眼很容易識別的圖像和物體是偽造的，但機器無法識別……

完全通過深度學習。

吳甘莎認為，開放動態環境下的無人駕駛需要更強的人工智能。要建立這樣的人工智能，需要將深度學習和強化學習相結合。強化學習追求可解釋的邏輯推理（理性思維），強調常識、經驗和積累的背景知識，并輔以遷移學習和貝葉斯因果推理。

目前，谷歌Waymo是開放道路上最好的司機，每行駛5000英里（超過8000公里）就需要人工干預，特斯拉每行駛3英里就需要人工介入，自動駕駛新手優步每行駛一英里就需要人為干預。但即使是最好的Waymo也不到人類司機的十分之一，人類司機每行駛9000萬英里就會發生一次小事故。

一個快速的解決方案是使用模擬，即基于大數據的快速建模，模擬天氣、照明、雨天等，并使用模擬、模擬+強化學習和生成對抗網絡（用于中和上述對抗樣本，對其進行去噪，并貼上真假標簽）進行無人駕駛的深度學習。

最近幾天，柯潔在烏鎮輸給了AlphaGo，人工智能將不可避免地成為無人駕駛領域的重要探索方向。馭勢目前正在與國內外研究機構合作開發駕駛人工智能，國際知名一級供應商博世也建立了自己的人工智能孵化器。

無人駕駛AlphaGo與人類駕駛員不相上下的那一天可能很快就會到來。

標簽：特斯拉發現北京長安奇瑞

汽車資訊熱門資訊